Crack Detection Methods of Metal Plates Based on Time-Series Acoustic Images and Deep Learning Algorithm
Dit artikel stelt een methode voor voor het detecteren van scheuren in metalen platen die meerkanaals akoestische signalen omzet in tijdreeksakoestische afbeeldingen en een lichtgewicht transformer-model gebruikt om een zeer nauwkeurige en efficiënte detectie van scheuren met variërende posities en lengtes te bereiken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Metalen platen zijn de stille werkpaarden van de moderne techniek; ze vormen de huid van vliegtuigen, de frames van bruggen en de rompen van schepen. In de loop van de tijd worden deze structuren blootgesteld aan spanning, trillingen en impact, wat kleine breuken kan veroorzaken. Als deze onopgemerkt blijven, kunnen de scheuren groeien, wat kan leiden tot catastrofale defecten. Decennialang hebben ingenieurs vertrouwd op methoden die vereisen dat men het metaal aanraakt of gebruikmaakt van dure, logge apparatuur om deze gebreken te vinden. Een nieuwe benadering suggereert echter dat het metaal zelf ons zou kunnen vertellen waar het gebroken is, simpelweg door te luisteren naar het geluid dat het maakt. Wanneer een metalen plaat vibreert, zendt deze geluidsgolven uit in de lucht. Het patroon van dit geluid verandert afhankelijk van de gezondheid van het metaal; een scheur verstoort de energiestroom en creëert zo een unieke akoestische signatuur. Door deze geluidspatronen vast te leggen en te analyseren met geavanceerde computerprogramma's, is het mogelijk om schade te lokaliseren zonder het oppervlak ooit aan te raken.
Een team onderzoekers aan de Hefei University of Technology heeft een methode ontwikkeld om precies dit te doen: geluid omzetten in een visuele kaart die een computer kan lezen. In plaats van naar één enkele microfoon te luisteren, gebruikten zij een array van vierentwintig microfoons, gerangschikt in een rooster, om het geluid van een vibrerende metalen plaat op te vangen. Deze opstelling stelde hen in staat om niet alleen de luidheid van het geluid vast te leggen, maar ook hoe de geluidsgolven zich in de loop van de tijd over het oppervlak bewogen. De onderzoekers transformeerden deze opnames naar een reeks beelden, waarmee ze zogenaamde "tijdreeks-akoestische beelden" creëerden. Stel je een film voor waarbij elk frame de geluidsdruk op de plaat op een specifiek moment weergeeft, met kleuren die de intensiteit van het geluid vertegenwoordigen. Door twintig van deze frames op elkaar te stapelen, creëerden zij een driedimensionale dataset die zowel de ruimtelijke lay-out van het geluid als de evolutie ervan in de tijd vastlegt. Deze visuele representatie maakt het mogelijk om precies te zien waar het geluidsveld door een scheur wordt verstoord.
Om dit idee te testen, voerde het team eerst gedetailleerde computersimulaties uit van metalen platen met scheuren van verschillende lengtes en op verschillende posities. Zij genereerden duizenden van deze tijdreeks-akoestische beelden en creëerden zo een dataset die platen zonder scheuren, platen met kleine scheuren en platen met grotere scheuren bevatte. Vervolgens voedden zij deze beelden aan drie verschillende soorten kunstmatige intelligentie-modellen om te zien welk model de schade het beste kon identificeren. Het eerste model was een standaard deep learning-netwerk ontworpen om video-achtige data te verwerken. Het tweede was een complexer model, bekend als een Transformer, dat beroemd is om zijn vermogen om relaties tussen verschillende delen van een sequentie te begrijpen. Het derde was een gestroomlijnde versie van de Transformer, ontworpen om veel kleiner en sneller te zijn terwijl de intelligentie behouden blijft.
De resultaten toonden aan dat hoewel het standaardnetwerk de scheuren meestal kon vinden, het moeite had met de nauwkeurigheid en de schade in slechts 95 procent van de testgevallen correct identificeerde. Het grotere Transformer-model bereikte echter een perfecte nauwkeurigheid en identificeerde elke enkele scheur in de simulatie correct. De meest significante bevinding kwam echter van de lichtgewicht versie van de Transformer. Ondanks dat dit kleinere model veel minder interne componenten had en veel minder rekenkracht vereiste, behaalde het ook een nauwkeurigheid van 100 procent. Het bewees dat het systeem geen massieve, rekenintensieve computer nodig had om te werken; een eenvoudiger, efficiënter ontwerp was voldoende om de subtiele verstoringen veroorzaakt door een scheur op te sporen. De onderzoekers bevestigden dit door te visualiseren hoe de modellen de data "zagen", waarbij werd getoond dat het lichtgewicht model de geluidspatronen van een gebroken plaat duidelijk kon onderscheiden van die van een gezonde plaat.
Om te waarborgen dat deze methode ook in de echte wereld werkte, en niet alleen in een computer, bouwde het team een fysiek experiment. Zij gebruikten een stalen plaat van 450 millimeter bij 450 millimeter en maakten daadwerkelijke scheuren in de plaat met behulp van een laser snijder. Zij plaatsten de plaat op een frame en lieten deze vibreren, waarbij zij hun microfoonarray gebruikten om het geluid op te vangen. Net als in de simulaties zetten zij de geluidsdata om in tijdreeks-akoestische beelden en voedden deze aan hun lichtgewicht model. Het systeem identificeerde scheuren van variërende lengtes en op verschillende locaties op de plaat met een nauwkeurigheid van 100 procent. Het model was in staat om het onderscheid te maken tussen een scheur nabij de rand en een scheur in het midden, evenals tussen een scheur van 10 millimeter en een van 20 millimeter. Dit toonde aan dat de methode robuust genoeg is om de variaties in geluid en structuur in de echte wereld aan te kunnen.
De studie concludeert dat het luisteren naar een metalen plaat en het omzetten van dat geluid in een bewegend beeld een zeer effectieve manier is om scheuren te vinden. De onderzoekers ontdekten dat het akoestische veld op een voorspelbare manier verandert wanneer een scheur aanwezig is, en dat deze veranderingen duidelijk genoeg zijn zodat een computer ze kan herkennen. Hoewel de huidige tests werden uitgevoerd in een gecontroleerde, stille omgeving, suggereert het succes van het lichtgewicht model dat de technologie uiteindelijk aangepast kan worden voor gebruik in lawaaierige industriële omgevingen. Het vermogen om schade met een dergelijke precisie te detecteren via een eenvoudige, contactloze methode biedt een veelbelovend pad naar een veiligere en efficiëntere instandhouding van kritieke metalen structuren. Het werk bevestigt dat het geluid dat een structuur maakt een betrouwbare indicator is van de gezondheid ervan, en dat we met de juiste instrumenten die taal met perfecte helderheid kunnen leren lezen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.